Вставьте любой образец данных JSON, и AI сгенерирует полностью типизированную схему обогащения — с областями экспертизы, ключами поиска, определением многоязычных полей и правилами валидации. Процесс генерации включает до 6 попыток самокоррекции, гарантируя, что схема будет валидной ещё до того, как вы её увидите.
Превращаете JSON в таблицы? Посмотрите в нашем сравнении с Supabase MCP, как цена поставщика, попавшая не в ту таблицу, меняет бюджет закупок.
Вставить образец JSON
Любой объект или массив JSON, представляющий данные вашей сущности
ИИ генерирует схему
LLM анализирует типы данных, вложенность, шаблоны именования и области экспертизы
Валидация по 8 правилам
Если проверка не пройдена, ошибки отправляются обратно в LLM для самокоррекции (до 6 повторных попыток)
Постобработка
Определение допустимости null, понижение приоритета ключа поиска, сбор экспертной области
Проверенная схема обогащения
Готово к обогащению с типизированными свойствами, областями экспертизы и ключами поиска
LLM иногда генерируют схемы со структурными проблемами — несоответствие типов между схемой и входными данными, $ref, указывающий на несуществующее определение, или слишком много областей экспертизы. Entity Enricher использует механизм ModelRetry из Pydantic-AI, чтобы выявлять эти проблемы и передавать их обратно в LLM для исправления в рамках того же запуска генерации.
Это происходит прозрачно. Система проверяет вывод LLM по 8 правилам, и если какое-либо правило нарушается, конкретные ошибки отправляются обратно модели с инструкциями по их исправлению. Этот цикл повторных попыток выполняется до 6 раз, обеспечивая почти 100% корректный вывод по схеме без ручного вмешательства.
Типы свойств схемы должны соответствовать типам данных, наблюдаемым во входном JSON.
Все указатели $ref должны ссылаться на сущности, определённые в разделе $defs.
Каждое свойство должно принадлежать допустимой области экспертизы.
Общее число областей экспертизы должно оставаться в пределах настраиваемых лимитов.
Ключи поиска должны ссылаться на существующие свойства с непустыми значениями.
Имена свойств должны соответствовать соглашению snake_case.
Глубина вложенности должна оставаться в пределах лимита (по умолчанию 10 уровней).
Обязательные поля, минимальные/максимальные значения и ограничения enum проверяются.
После того как LLM генерирует и самостоятельно исправляет схему, применяются дополнительные преобразования на основе данных:
Если во входных данных есть null-значения для поля, свойство схемы автоматически помечается как допускающее null. Это позволяет LLM возвращать null для полей, где данные недоступны, вместо того чтобы навязывать выдуманные значения.
У полей, отмеченных как ключи поиска, но с пустыми значениями во входных данных, флаг ключа поиска снимается. Это не даёт пустым ключам поиска размывать фокус промпта обогащения.
Все области экспертизы собираются из вложенных свойств в список верхнего уровня, что позволяет с первого взгляда оценить охват областей в вашей схеме.
После генерации схемы вы можете изменить её с помощью инструкций на естественном языке. Введите что-то вроде «add a parent_company reference with name and ownership_percentage», и ИИ применит структурное изменение, сохраняя все правила валидации и назначения областей экспертизы.
Каждое AI-редактирование также порождает 5 предложений по улучшению — например, добавление недостающих полей, улучшение описаний или реорганизация expertise domain. Вы можете применить эти предложения одним щелчком.
Для прямого управления визуальный редактор schema предоставляет упорядочивание свойств перетаскиванием, встроенное редактирование полей, навигацию с клавиатуры и полную поддержку отмены/повтора. Подробнее см. в документации Workflow Editor.
Entity Enricher не просто генерирует документ JSON-схемы — он преобразует вашу схему в динамическую модель Pydantic во время выполнения. Затем эта модель используется как тип структурированного вывода для агентов Pydantic-AI, а значит, вывод LLM проверяется на соответствие вашей схеме на уровне типов. Некорректный вывод вызывает автоматические повторные попытки.
Этот подход сочетает гибкость пользовательских схем с типобезопасностью скомпилированных моделей. Вы получаете лучшее из обоих миров: определяете любую нужную структуру, а система автоматически её обеспечивает.
Вставьте образец JSON, выберите модель и получите проверенную схему обогащения за секунды. Затем доработайте её с помощью естественного языка или визуального редактора.
Начать бесплатно